La disponibilité élevée des systèmes technologiques comme l'aérospatial, la défense, la pétrochimie et l'automobile, est un but important des nouveaux développements de la technologie de conception des systèmes sachant que la défaillance onéreuse survient, en général, soudainement. Afin de rendre les stratégies classiques de maintenance plus efficaces et pour prendre en considération l'état et l'environnement évolutifs du produit, un nouveau modèle de pronostic analytique est développé en tant que complément des stratégies de maintenance existantes. Ce nouveau modèle est appliqué aux systèmes mécaniques soumis à la défaillance par fatigue sous charge cyclique répétitive. Sachant que l'effet de fatigue va initier des microfissures qui peuvent se propager soudainement et conduire à la défaillance. Ce modèle est basé sur des lois d'endommagement existantes dans la mécanique de la rupture comme la loi de propagation de fissures de Paris-Erdogan à côté de la loi de cumul de dommage de Palmgren-Miner. A partir d'un seuil prédéfini de dégradation DC, la durée de vie résiduelle (RUL) est estimée à l'aide de ce modèle de pronostic. Les dommages peuvent être cumulés linéairement (Loi de Palmgren-Miner) et aussi non linéairement afin de prendre en compte un comportement plus complexe des chargements et des matériaux. Le modèle de dégradation développé dans ce travail est basé sur une sommation d'une mesure de dommage D à la suite de chaque cycle de chargement. Quand cette mesure devient égale à un seuil prédéfini DC, le système est considéré dans l'état de panne. En plus, l'influence stochastique est incluse dans notre modèle pour le rendre plus précis et réaliste. / The high availability of technological systems like aerospace, defense, petro-chemistry and automobile, is an important goal of earlier recent developments in system design technology knowing that the expensive failure can generally occur suddenly. To make the classical strategies of maintenance more efficient and to take into account the evolving product state and environment, a new analytic prognostic model is developed as a complement of existent maintenance strategies. This new model is applied to mechanical systems that are subject to fatigue failure under repetitive cyclic loading. Knowing that, the fatigue effects will initiate micro-cracks that can propagate suddenly and lead to failure. This model is based on existing damage laws in fracture mechanics, such as the crack propagation law of Paris-Erdogan beside the damage accumulation law of Palmgren-Miner. From a predefined threshold of degradation DC, the Remaining Useful Lifetime (RUL) is estimated by this prognostic model. Damages can be assumed to be accumulated linearly (Palmgren-Miner's law) and also nonlinearly to take into consideration the more complex behavior of loading and materials. The degradation model developed in this work is based on the accumulation of a damage measurement D after each loading cycle. When this measure reaches the predefined threshold DC, the system is considered in wear out state. Furthermore, the stochastic influence is included to make the model more accurate and realistic.

La mise en place d’une politique de maintenance prévisionnelle est un défi majeur dans l’industrie qui tente de réduire le plus possible les frais relatifs à la maintenance. En effet, les systèmes sont de plus en plus complexes et demandent un suivi de plus en plus poussé afin de rester opérationnels et sécurisés. Une maintenance prévisionnelle nécessite d’une part d’évaluer l’état de dégradation des composants du système, et d’autre part de pronostiquer l’apparition future d’une panne. Plus précisément, il s’agit d’estimer le temps restant avant l’arrivée d’une défaillance, aussi appelé Remaining Useful Life ou RUL en anglais. L’estimation d’une RUL constitue un réel enjeu car la pertinence et l’efficacité des actions de maintenance dépendent de la justesse et de la précision des résultats obtenus. Il existe de nombreuses méthodes permettant de réaliser un pronostic de durée de vie résiduelle, chacune avec ses spécificités, ses avantages et ses inconvénients. Les travaux présentés dans ce manuscrit s’intéressent à une méthodologie générale pour estimer la RUL d’un composant. L’objectif est de proposer une méthode applicable à un grand nombre de cas et de situations différentes sans nécessiter de modification majeure. De plus, nous cherchons aussi à traiter plusieurs types d’incertitudes afin d’améliorer la justesse des résultats de pronostic. Au final, la méthodologie développée constitue une aide à la décision pour la planification des opérations de maintenance. La RUL estimée permet de décider de l’instant optimal des interventions nécessaires, et le traitement des incertitudes apporte un niveau de confiance supplémentaire dans les valeurs obtenues. / Predictive maintenance strategies can help reduce the ever-growing maintenance costs, but their implementation represents a major challenge. Indeed, it requires to evaluate the health state of the component of the system and to prognosticate the occurrence of a future failure. This second step consists in estimating the remaining useful life (RUL) of the components, in Other words, the time they will continue functioning properly. This RUL estimation holds a high stake because the precision and accuracy of the results will influence the relevance and effectiveness of the maintenance operations. Many methods have been developed to prognosticate the remaining useful life of a component. Each one has its own particularities, advantages and drawbacks. The present work proposes a general methodology for component RUL estimation. The objective i to develop a method that can be applied to many different cases and situations and does not require big modifications. Moreover, several types of uncertainties are being dealt With in order to improve the accuracy of the prognostic. The proposed methodology can help in the maintenance decision making process. Indeed, it is possible to select the optimal moment for a required intervention thanks to the estimated RUL. Furthermore, dealing With the uncertainties provides additional confidence into the prognostic results.

La maintenance prédictive joue un rôle important dans le maintien des systèmes de production continue car elle peut aider à réduire les interventions inutiles ainsi qu'à éviter des pannes imprévues. En effet, par rapport à la maintenance conditionnelle, la maintenance prédictive met en œuvre une étape supplémentaire, appelée le pronostic. Les opérations de maintenance sont planifiées sur la base de la prédiction des états de détérioration futurs et sur l'estimation de la vie résiduelle du système. Dans le cadre du projet européen FP7 SUPREME (Sustainable PREdictive Maintenance for manufacturing Equipment en Anglais), cette thèse se concentre sur le développement des modèles de détérioration stochastiques et sur des méthodes d'estimation de la vie résiduelle (Remaining Useful Life – RUL en anglais) associées pour les adapter aux cas d'application du projet. Plus précisément, les travaux présentés dans ce manuscrit sont divisés en deux parties principales. La première donne une étude détaillée des modèles de détérioration et des méthodes d'estimation de la RUL existant dans la littérature. En analysant leurs avantages et leurs inconvénients, une adaptation d’une approche de l'état de l'art est mise en œuvre sur des cas d'études issus du projet SUPREME et avec les données acquises à partir d’un banc d'essai développé pour le projet. Certains aspects pratiques de l’implémentation, à savoir la question de l'échange d'informations entre les partenaires du projet, sont également détaillées dans cette première partie. La deuxième partie est consacrée au développement de nouveaux modèles de détérioration et les méthodes d'estimation de la RUL qui permettent d'apporter des éléments de solutions aux problèmes de modélisation de détérioration et de prédiction de RUL soulevés dans le projet SUPREME. Plus précisément, pour surmonter le problème de la coexistence de plusieurs modes de détérioration, le concept des modèles « multi-branche » est proposé. Dans le cadre de cette thèse, deux catégories des modèles de type multi-branche sont présentées correspondant aux deux grands types de modélisation de l'état de santé des système, discret ou continu. Dans le cas discret, en se basant sur des modèles markoviens, deux modèles nommés Mb-HMM and Mb-HsMM (Multi-branch Hidden (semi-)Markov Model en anglais) sont présentés. Alors que dans le cas des états continus, les systèmes linéaires à sauts markoviens (JMLS) sont mis en œuvre. Pour chaque modèle, un cadre à deux phases est implémenté pour accomplir à la fois les tâches de diagnostic et de pronostic. A travers des simulations numériques, nous montrons que les modèles de type multi-branche peuvent donner des meilleures performances pour l'estimation de la RUL par rapport à celles obtenues par des modèles standards mais « mono-branche ». / Predictive maintenance plays a crucial role in maintaining continuous production systems since it can help to reduce unnecessary intervention actions and avoid unplanned breakdowns. Indeed, compared to the widely used condition-based maintenance (CBM), the predictive maintenance implements an additional prognostics stage. The maintenance actions are then planned based on the prediction of future deterioration states and residual life of the system. In the framework of the European FP7 project SUPREME (Sustainable PREdictive Maintenance for manufacturing Equipment), this thesis concentrates on the development of stochastic deterioration models and the associated remaining useful life (RUL) estimation methods in order to be adapted in the project application cases. Specifically, the thesis research work is divided in two main parts. The first one gives a comprehensive review of the deterioration models and RUL estimation methods existing in the literature. By analyzing their advantages and disadvantages, an adaption of the state of the art approaches is then implemented for the problem considered in the SUPREME project and for the data acquired from a project's test bench. Some practical implementation aspects, such as the issue of delivering the proper RUL information to the maintenance decision module are also detailed in this part. The second part is dedicated to the development of innovative contributions beyond the state-of-the-are in order to develop enhanced deterioration models and RUL estimation methods to solve original prognostics issues raised in the SUPREME project. Specifically, to overcome the co-existence problem of several deterioration modes, the concept of the "multi-branch" models is introduced. It refers to the deterioration models consisting of different branches in which each one represent a deterioration mode. In the framework of this thesis, two multi-branch model types are presented corresponding to the discrete and continuous cases of the systems' health state. In the discrete case, the so-called Multi-branch Hidden Markov Model (Mb-HMM) and the Multi-branch Hidden semi-Markov model (Mb-HsMM) are constructed based on the Markov and semi-Markov models. Concerning the continuous health state case, the Jump Markov Linear System (JMLS) is implemented. For each model, a two-phase framework is carried out for both the diagnostics and prognostics purposes. Through numerical simulations and a case study, we show that the multi-branch models can help to take into account the co-existence problem of multiple deterioration modes, and hence give better performances in RUL estimation compared to the ones obtained by standard "single branch" models.

Cette thèse porte sur le diagnostic et le pronostic pour l’aide à la maintenance de systèmes complexes. Elle présente deux approches de diagnostic/pronostic qui permettent de générer les indicateurs utiles pour l’optimisation de la stratégie de maintenance. Plus précisément, ces approches permettent d’évaluer l’état de santé et de prédire la durée de vie résiduelle du système. Les approches présentées visent en particulier à pallier le problème d’absence d’indicateurs de dégradation. Les développements sont fondés sur l’utilisation d’observateurs, de formalisme de Modèle de Markov Caché, des méthodes d’inférences statistiques et des méthodes de prédiction de séries temporelles à base d’apprentissage afin de caractériser et prédire les modes de fonctionnement du système. Les deux approches sont illustrées sur des exemples de dégradation d’un système de régulation de niveau d’eau, d’une machine asynchrone et d’une batterie Li-Ion. / The research presented in this thesis deals of diagnosis and prognosis of complex systems. It presents two approaches that generate useful indicators for optimizing maintenance strategies. Specifically, these approaches are used to assess the level of degradation and estimate the Remaining Useful Life of the system. The aim of these approaches is to overcome for the lack of degradation indicators. The developments are based on observers, Hidden Markov Model formalism, statistical inference methods and learning-based methods in order to characterize and predict the system operating modes. To illustrate the proposed failure diagnosis/prognosis approaches, a simulated tank level control system, an induction motor and a Li-Ion battery were used.

La complexification des systèmes et la réduction du nombre de capteurs nécessitent l’élaboration de méthodes de surveillance de plus en plus efficaces. Le travail de cette thèse s’inscrit dans ce contexte et porte sur le diagnostic et le pronostic des Systèmes à Événements Discrets (SED) temporisés. Les réseaux de Petri stochastiques partiellement mesurés sont utilisés pour modéliser le système. Le modèle représente à la fois le comportement nominal et le comportement dysfonctionnel du système. Il permet aussi de représenter ses capteurs à travers une mesure partielle des transitions et des places. Notre contribution porte sur l’exploitation de l’information temporelle pour le diagnostic et le pronostic des SED. À partir d’une suite de mesures datées, les comportements du système qui expliqueraient ces mesures sont d’abord déterminés. La probabilité de ces comportements est ensuite évaluée pour fournir un diagnostic du système en termes de probabilité d’occurrence d’un défaut. Dans le cas où une faute est diagnostiquée, une approche permettant d’estimer la distribution de sa date d’occurrence est proposée. L’objectif est de donner plus de détails sur cette faute afin de mieux la caractériser. Par ailleurs, la probabilité des comportements compatibles est exploitée pour estimer l’état actuel du système. Il s’agit de déterminer les marquages compatibles avec les mesures ainsi que leurs probabilités associées. À partir de cette estimation d’état, la prise en considération des évolutions possibles du système permet d’envisager la prédiction de la faute avant son occurrence. Une estimation de la probabilité d’occurrence de la faute sur un horizon de temps futur est ainsi obtenue. Celle-ci est ensuite étendue à l’évaluation de la durée de vie résiduelle du système. Enfin, une application des différentes approches développées sur un cas d’un système de tri est proposée. / Due to the increasing complexity of systems and to the limitation of sensors number, developing monitoring methods is a main issue. This PhD thesis deals with the fault diagnosis and prognosis of timed Discrete Event Systems (DES). For that purpose, partially observed stochastic Petri nets are used to model the system. The model represents both the nominal and faulty behaviors of the system and characterizes the uncertainty on the occurrence of events as random variables with exponential distributions. It also considers partial measurements of both markings and events to represent the sensors of the system. Our main contribution is to exploit the timed information, namely the dates of the measurements for the fault diagnosis and prognosis of DES. From the proposed model and collected measurements, the behaviors of the system that are consistent with those measurements are obtained. Based on the event dates, our approach consists in evaluating the probabilities of the consistent behaviors. The probability of faults occurrences is obtained as a consequence. When a fault is detected, a method to estimate its occurrence date is proposed. From the probability of the consistent trajectories, a state estimation is deduced. The future possible behaviors of the system, from the current state, are considered in order to achieve fault prediction. This prognosis result is extended to estimate the remaining useful life as a time interval. Finally, a case study representing a sorting system is proposed to show the applicability of the developed methods.

Cette thèse développe des approches pour le diagnostic et le pronostic de systèmes dynamiques incertains en utilisant la technique de modélisation Bond Graph (BG). Tout d'abord, une représentation par intervalles des incertitudes paramétriques et de mesures est intégrée à un modèle BG-LFT (Linear Fractional Transformation). Une méthode de détection robuste de défaut est développée en utilisant les règles de l'arithmétique d'intervalle pour la génération de seuils robustes et adaptatifs sur les résidus nominaux. La méthode est validée en temps réel sur un système de générateur de vapeur.Deuxièmement, une nouvelle méthodologie de pronostic hybride est développée en utilisant les Relations de Redondance Analytique déduites d'un modèle BG et les Filtres Particulaires. Une estimation de l'état courant du paramètre candidat pour le pronostic est obtenue en termes probabilistes. La prédiction de la durée de vie résiduelle est atteinte en termes probabilistes. Les incertitudes associées aux mesures bruitées, les conditions environnementales, etc. sont gérées efficacement. La méthode est validée en temps réel sur un système mécatronique incertain.Enfin, la méthodologie de pronostic développée est mise en œuvre et validée pour le suivi efficace de la santé d'un sous-système électrochimique d’une pile à combustible à membrane échangeuse de protons (PEMFC) industrielle à l’aide de données de dégradation réelles. / This thesis develops the approaches for diagnostics and prognostics of uncertain dynamic systems in Bond Graph (BG) modeling framework. Firstly, properties of Interval Arithmetic (IA) and BG in Linear Fractional Transformation, are integrated for representation of parametric and measurement uncertainties on an uncertain BG model. Robust fault detection methodology is developed by utilizing the rules of IA for the generation of adaptive interval valued thresholds over the nominal residuals. The method is validated in real time on an uncertain and highly complex steam generator system.Secondly, a novel hybrid prognostic methodology is developed using BG derived Analytical Redundancy Relationships and Particle Filtering algorithms. Estimations of the current state of health of a system parameter and the associated hidden parameters are achieved in probabilistic terms. Prediction of the Remaining Useful Life (RUL) of the system parameter is also achieved in probabilistic terms. The associated uncertainties arising out of noisy measurements, environmental conditions etc. are effectively managed to produce a reliable prediction of RUL with suitable confidence bounds. The method is validated in real time on an uncertain mechatronic system.Thirdly, the prognostic methodology is validated and implemented on the electrical electro-chemical subsystem of an industrial Proton Exchange Membrane Fuel Cell. A BG of the latter is utilized which is suited for diagnostics and prognostics. The hybrid prognostic methodology is validated, involving real degradation data sets.

Nos travaux de thèses s’intéressent au pronostic de défaillance de composant critique et à l’estimation de la durée de vie résiduelle avant défaillance (RUL). Nous avons développé des méthodes basées sur l’expérience. Cette orientation nous permet de nous affranchir de la définition d’un seuil de défaillance, point problématique lors de l’estimation du RUL. Nous avons pris appui sur le paradigme de Raisonnement à Partir de Cas (R à PC) pour assurer le suivi d’un nouveau composant critique et prédire son RUL. Une approche basée sur les instances (IBL) a été développée en proposant plusieurs formalisations de l’expérience : une supervisée tenant compte de l’ état du composant sous forme d’indicateur de santé et une non-supervisée agrégeant les données capteurs en une série temporelle mono-dimensionnelle formant une trajectoire de dégradation. Nous avons ensuite fait évoluer cette approche en intégrant de la connaissance à ces instances. La connaissance est extraite à partir de données capteurs et est de deux types : temporelle qui complète la modélisation des instances et fréquentielle qui, associée à la mesure de similarité permet d’affiner la phase de remémoration. Cette dernière prend appui sur deux types de mesures : une pondérée entre fenêtres parallèles et fixes et une pondérée avec projection temporelle. Les fenêtres sont glissantes ce qui permet d’identifier et de localiser l’état actuel de la dégradation de nouveaux composants. Une autre approche orientée donnée a été test ée. Celle-ci est se base sur des caractéristiques extraites des expériences, qui sont mono-dimensionnelles dans le premier cas et multi-dimensionnelles autrement. Ces caractéristiques seront modélisées par un algorithme de régression à vecteurs de support (SVR). Ces approches ont été évaluées sur deux types de composants : les turboréacteurs et les batteries «Li-ion». Les résultats obtenus sont intéressants mais dépendent du type de données traitées. / Our thesis work is concerned with the development of experience based approachesfor criticalcomponent prognostics and Remaining Useful Life (RUL) estimation. This choice allows us to avoidthe problematic issue of setting a failure threshold.Our work was based on Case Based Reasoning (CBR) to track the health status of a new componentand predict its RUL. An Instance Based Learning (IBL) approach was first developed offering twoexperience formalizations. The first is a supervised method that takes into account the status of thecomponent and produces health indicators. The second is an unsupervised method that fuses thesensory data into degradation trajectories.The approach was then evolved by integrating knowledge. Knowledge is extracted from the sensorydata and is of two types: temporal that completes the modeling of instances and frequential that,along with the similarity measure refine the retrieval phase. The latter is based on two similaritymeasures: a weighted one between fixed parallel windows and a weighted similarity with temporalprojection through sliding windows which allow actual health status identification.Another data-driven technique was tested. This one is developed from features extracted from theexperiences that can be either mono or multi-dimensional. These features are modeled by a SupportVector Regression (SVR) algorithm. The developed approaches were assessed on two types ofcritical components: turbofans and ”Li-ion” batteries. The obtained results are interesting but theydepend on the type of the treated data.